协同演化算法及其在数据挖掘中的应用

第1章 绪论
1.1 演化算法概述
1.1.1 演化算法的起源
1.1.2 演化算法的应用领域
1.1.3 演化算法的发展趋势
1.2 演化算法的基本原理
1.2.1 生物学基础
1.2.2 演化算法与最优化
1.2.3 演化算法的一般框架
1.2.4 没有免费午餐定理
1.3 协同演化算法研究现状
1.3.1 协同进化论
1.3.2 演化博弈论
1.3.3 协同演化算法设计
1.3.4 协同演化算法的应用
第2章 数据挖掘和关联规则
2.1 数据挖掘
2.1.1 数据挖掘的定义和过程
2.1.2 挖掘的数据形式
2.1.3 数据挖掘的功能
2.2 关联分析
2.2.1 关联规则的定义
2.2.2 关联规则挖掘的问题
2.3 聚类分析
2.3.1 聚类分析的意义
2.3.2 聚类分析的概念
2.3.3 聚类分析的算法
2.4 遗传算法在规则发现中的应用
2.4.1 个体表示
2.4.2 算子
2.4.3 种群初始化
2.4.4 适应度
2.4.5 分类规则发现和关联规则发现的不同
第3章 基于混合策略的协同演化算法
3.1 引言
3.2 混合策略协同演化规划的基本思想
3.2.1 概率分布函数的性能
3.2.2 混合策略协同演化规划框架
3.3 求解函数优化问题的MSCEP算法
3.4 实验结果和分析
3.4.1 实验结果
3.4.2 实验分析
3.5 小结
第4章 求解约束优化问题的混合策略演化算法
4.1 引言
4.2 求解约束优化问题的基本思想
4.2.1 约束优化问题
4.2.2 约束比较规则
4.3 求解约束优化问题的CMSEP算法
4.4 实验结果和分析
4.4.1 实验结果
4.4.2 结果分析
4.5 小结
第5章 求解多目标优化问题的混合策略演化算法
5.1 引言
5.2 相关工作
5.2.1 关键技术
5.2.2 研究现状
5.3 求解多目标优化问题的基本思想
5.3.1 多目标优化问题
5.3.2 强度Pareto优化的基本思想
5.4 混合策略的Pareto演化规划
5.5 实验结果和分析
5.5.1 测试函数
5.5.2 占果分析
5.6 小结
第6章 兴趣度量的优化
6.1 关联规则的兴趣度量
6.1.1 兴趣度量的目的
6.1.2 兴趣度量的分类
6.2 发现度量约束下的规则
6.3 发现基于残差的最优相关规则
6.3.1 残差分析
6.3.2 互信息量
6.3.3 用遗传算法发现优化相关规则GADCR
6.4 实验
6.4.1 人工数据集上的实验结果
6.4.2 真实数据集上的实验结果
6.5 小结
第7章 数据集的优化
7.1 离散化简介
7.1.1 有监督和无监督离散化
7.1.2 一元与多元离散化
7.1.3 MVD
7.2 一种基于聚类的无监督多元离散化方法EMVD—BDC
7.2.1 动机
7.2.2 EMVD-BDC
7.3 MVD的一种优化算法OMVD
7.3.1 最大支持度差异（MSD）
7.3.2 用遗传算法优化MSD列表
7.4 实验
7.4.1 人工数据集上的实验
7.4.2 真实数据集上的实验
7.5 小结
第8章 规则形式的简化
8.1 最优关联规则的简介
8.1.1 问题的提出和定义
8.1.2 发现最优置信度规则的经典算法：FOCR
8.1.3 其他算法
8.2 发现最优interest规则
8.2.1 问题的定义
8.2.2 发现最优interest规则的算法FOCR
8.3 发现最优相对密度规则
8.3.1 密度度量
8.3.2 相对密度度量
8.3.3 最优相对密度规则的发现算法FORDAR
8.4 实验
8.4.1 人工数据集上的实验
8.4.2 真实数据集上的实验
8.5 小结
第9章 基于混合策略的演化聚类算法
9.1 引言
9.2 模糊C均值聚类
9.2.1 模糊C均值聚类算法
9.2.2 模糊权和有效性函数
9.3 混合策略演化聚类算法
9.4 实验结果和分析
9.4.1 人工数据集和真实数据集
9.4.2 有效性指标实验分析
9.4.3 算法性能分析
9.4.4 参数选择
9.5 小结
第10章 总结
参考文献